Les progrès technologiques dans les domaines de l’information et des communications ont permis la modernisation du réseau électrique pour former le réseau électrique intelligent. Le déploiement d’un grand nombre de capteurs jumelé à un système de communication bidirectionnelle robuste permet la surveillance et le contrôle en temps réel de la production, du transport et de la distribution de l’électricité. Plusieurs des problèmes d’optimisation impliqués sont à grande échelle, non linéaires, non convexes et à variables mixtes. Ils sont souvent trop complexes pour être résolus efficacement par les méthodes d’optimisation classiques et nécessitent généralement l’emploi des métaheuristiques. Les métaheuristiques sont des algorithmes d’optimisation non déterministes qui se basent sur l’amélioration itérative d’une ou plusieurs solutions candidates pour obtenir une solution quasi optimale. Elles ont l’avantage d’être résilientes aux optima locaux, de pouvoir considérer les variables mixtes et d’être utilisables avec des fonctions de coût non différentiables. Par contre, à cause de leur fonctionnement itératif, elles nécessitent une puissance de calcul considérable qui limite leur utilisation dans des applications où le temps de réaction est critique tel que pour le contrôle en temps réel des réseaux électriques. Dans cette thèse, nous proposons de mitiger cette limitation par une implémentation parallèle des métaheuristiques sur processeurs graphiques (GPU). Équipés de quelques milliers de cœurs, les GPU représentent une technologie émergente qui a le potentiel de réduire le temps de calcul des métaheuristiques par une exécution parallèle et d’offrir une solution avantageuse pour le contrôle des réseaux électriques intelligents. Pour vérifier cette hypothèse, nous proposons dans cette thèse un cadriciel pour métaheuristiques parallèles sur GPU et utilisons l’outil développé pour résoudre trois problèmes d’optimisation d’intérêt relié au contrôle des réseaux électriques, soit la minimisation des harmoniques d’un onduleur multiniveau, l’optimisation de l’écoulement de puissance et la reconfiguration des réseaux de distribution. Ces problèmes ont été choisis puisqu’ils couvrent l’étendue des réseaux intelligents en touchant à la production, au transport et à la distribution de l’électricité. Dans les trois cas, le cadriciel proposé permet de calculer des solutions de meilleure qualité, à des problèmes de plus grande dimension, dans un temps plus court comparativement aux méthodes actuelles. En exploitant l’architecture massivement parallèle des GPU, nos algorithmes offrent des accélérations allant jusqu’à 534x comparées à une exécution séquentielle sur microprocesseur standard (CPU).

Advancements in the fields of information technology and communications have enabled the modernization of the power grid to form the smart grid. The deployment of a large number of sensors combined with a robust two-way communication system now allow for the real time monitoring and control of the generation, the transmission and the distribution of electricity. Several of the optimization problems involved in the control of smart grids are large-scale, non-linear, non-convex and have mixed variables. They are often too complex to be solved efficiently by traditional optimization methods and require the use of metaheuristics. Metaheuristics are non-deterministic optimization algorithms that are based on the iterative improvement of one or more candidate solution in order to obtain a near optimal solution. They have the advantage of being resilient to local optima, they can consider discrete variables and they can be used with non-differentiable cost functions. However, because of their iterative operation, they often require considerable computational power which limits their use in applications where the reaction time is critical as in the real-time control of smart grids. In this thesis, we propose to mitigate this limitation by developing parallel implementations of metaheuristics on graphics processing units (GPUs). Equipped with a few thousand cores, GPUs represent an emerging technology in the field of high performance computing that has the potential to reduce the computation time of metaheuristics through parallel execution and provide an advantageous solution for the control of smart grids. To verify this hypothesis, we propose a software framework for parallel metaheuristics on GPUs and use this framework to solve three optimization problems of great interest for the control of smart grids. The three problems are the harmonic minimization problem in multilevel inverters, the optimal power flow problem and the optimal distribution feeder reconfiguration problem. These problems were selected because they cover the entirety of smart grids by touching the generation, the transmission and the distribution of electricity. In all three cases, the proposed framework calculates better solutions, to problems of greater sizes, in shorter times compared to current methods. By leveraging the massively parallel architecture of the GPU, our algorithms provide accelerations of up to 534x compared to equivalent sequential algorithms executed on a microprocessor (CPU).